交通標(biāo)志識(shí)別目前是無(wú)人駕駛和汽車(chē)輔助系統(tǒng)研究的熱點(diǎn)。高質(zhì)量的交通標(biāo)志識(shí)別可以為駕駛員或者無(wú)人車(chē)實(shí)時(shí)、準(zhǔn)確地提供交通路況、交通規(guī)則等信息,輔助駕駛決策,從而提高行車(chē)安全系數(shù),減少或者避免交通事故發(fā)生。基于壓縮感知的交通標(biāo)志識(shí)別,具有識(shí)別率高、魯棒性強(qiáng)等優(yōu)勢(shì),近幾年也受到了越來(lái)越多的關(guān)注。本文首先對(duì)德國(guó)交通標(biāo)志庫(kù)（GTSRB）中的圖像進(jìn)行預(yù)處理,在圖像灰度化后,用雙線(xiàn)性插值法進(jìn)行尺寸歸一化,用限制對(duì)比度自適應(yīng)直方圖均衡化對(duì)圖像增強(qiáng)。然后對(duì)原始圖像通過(guò)離散小波變換（DWT）進(jìn)行稀疏變換,測(cè)量矩陣選用高斯隨機(jī)矩陣,選擇正交匹配追蹤（OMP）算法對(duì)圖像進(jìn)行重構(gòu),通過(guò)對(duì)比不同采樣率下交通標(biāo)志圖像的重構(gòu)效果,選出最好的采樣率,即通過(guò)小部分?jǐn)?shù)據(jù)能較好地恢復(fù)原始數(shù)據(jù)。最后用基于稀疏表示的算法對(duì)交通標(biāo)志進(jìn)行識(shí)別,實(shí)驗(yàn)結(jié)果表明了正交匹配追蹤算法,具有較高的識(shí)別率和較強(qiáng)的魯棒性,但是識(shí)別率和識(shí)別時(shí)間需要進(jìn)一步的改善。實(shí)現(xiàn)了基于兩階段的稀疏表示算法,能在訓(xùn)練樣本不大的時(shí)候能取得很好的實(shí)驗(yàn)結(jié)果,但是當(dāng)訓(xùn)練樣本增大,計(jì)算機(jī)會(huì)出現(xiàn)內(nèi)存溢出的問(wèn)題。為了解決該問(wèn)題,設(shè)計(jì)并實(shí)現(xiàn)了基于局部冗余字典的兩階段稀疏表示算法,它將冗... 

【文章來(lái)源】：長(zhǎng)安大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究的背景及意義
    1.2 國(guó)內(nèi)外交通標(biāo)志識(shí)別現(xiàn)狀
        1.2.1 檢測(cè)方法研究現(xiàn)狀
        1.2.2 識(shí)別方法研究現(xiàn)狀
    1.3 本文主要研究?jī)?nèi)容及章節(jié)安排
        1.3.1 論文主要研究?jī)?nèi)容
        1.3.2 論文的章節(jié)安排
第二章 德國(guó)交通標(biāo)志數(shù)據(jù)庫(kù)預(yù)處理
    2.1 德國(guó)交通標(biāo)志數(shù)據(jù)庫(kù)(GTSRB)介紹
    2.2 圖像灰度化
    2.3 圖像的尺寸歸一化
    2.4 圖像增強(qiáng)
        2.4.1 線(xiàn)性變換
        2.4.2 非線(xiàn)性變換
        2.4.3 直方圖均衡化
    2.5 本章小結(jié)
第三章 壓縮感知算法的實(shí)際應(yīng)用
    3.1 壓縮感知理論
    3.2 壓縮感知在交通標(biāo)志識(shí)別中的應(yīng)用
        3.2.1 交通標(biāo)志的稀疏表示
        3.2.2 測(cè)量矩陣的設(shè)計(jì)
        3.2.3 MP和OMP算法仿真比較
    3.3 交通標(biāo)志圖像的重建及結(jié)果分析
    3.4 本章小結(jié)
第四章 基于稀疏表示的交通標(biāo)志識(shí)別
    4.1 目前常用的交通識(shí)別方法
    4.2 基于稀疏表示的交通標(biāo)志分類(lèi)
        4.2.1 基于稀疏表示的識(shí)別框架
        4.2.2 交通標(biāo)志的識(shí)別結(jié)果分析
    4.3 OMP算法稀疏度的確定
    4.4 本章小結(jié)
第五章 基于局部字典的兩階段稀疏表示算法
    5.1 基于兩階段的稀疏表示算法
        5.1.1 實(shí)驗(yàn)結(jié)果分析
        5.1.2 基于兩階段的稀疏表示算法的不足之處
    5.2 基于局部字典的兩階段稀疏表示算法
        5.2.1 順序拆分冗余字典
        5.2.2 平均拆分冗余字典
        5.2.3 算法的時(shí)間復(fù)雜度的改進(jìn)
        5.2.4 實(shí)驗(yàn)結(jié)果分析
    5.3 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于ROI和CNN的交通標(biāo)志識(shí)別研究[J]. 黃娜君,汪慧蘭,朱強(qiáng)軍,洪名佳.  無(wú)線(xiàn)電通信技術(shù). 2018(02)
[2]Robust sparse representation based face recognition in an adaptive weighted spatial pyramid structure[J]. Xiao MA,Fandong ZHANG,Yuelong LI,Jufu FENG.  Science China（Information Sciences）. 2018(01)
[3]A sharp recovery condition for block sparse signals by block orthogonal multi-matching pursuit[J]. CHEN WenGu,GE HuanMin.  Science China（Mathematics）. 2017(07)
[4]基于稀疏表示與小波特征的人臉識(shí)別分層框架[J]. 翟素蘭,曹慶,謝文浩.  計(jì)算機(jī)工程與應(yīng)用. 2016(14)
[5]一種快速的基于稀疏表示的人臉識(shí)別算法[J]. 龍法寧,楊夏妮.  圖學(xué)學(xué)報(bào). 2014(06)
[6]圖像稀疏表示及其在圖像處理中的應(yīng)用[J]. 孫君頂,趙慧慧.  紅外技術(shù). 2014(07)
[7]基于字典學(xué)習(xí)的核稀疏表示人臉識(shí)別方法[J]. 朱杰,楊萬(wàn)扣,唐振民.  模式識(shí)別與人工智能. 2012(05)
[8]基于稀疏表示的人臉識(shí)別方法[J]. 楊榮根,任明武,楊靜宇.  計(jì)算機(jī)科學(xué). 2010(09)
[9]道路場(chǎng)景中交通標(biāo)志的檢測(cè)方法[J]. 張寧,何鐵軍,高朝暉,黃衛(wèi).  交通運(yùn)輸工程學(xué)報(bào). 2008(06)

碩士論文
[1]交通標(biāo)志檢測(cè)和識(shí)別算法研究[D]. 葉陽(yáng)陽(yáng).北京交通大學(xué) 2015
[2]基于計(jì)算機(jī)視覺(jué)的交通標(biāo)志檢測(cè)與識(shí)別研究[D]. 李芬芬.廣東工業(yè)大學(xué) 2014
[3]基于形狀特征的交通標(biāo)志識(shí)別系統(tǒng)[D]. 李文強(qiáng).沈陽(yáng)工業(yè)大學(xué) 2014
[4]自然環(huán)境下道路交通標(biāo)志的檢測(cè)與識(shí)別研究[D]. 鄧雄偉.南京理工大學(xué) 2014
[5]一種基于模板匹配的交通標(biāo)志識(shí)別方法[D]. 王洋.吉林大學(xué) 2013
[6]基于顏色和形狀特征的交通標(biāo)志檢測(cè)[D]. 周廣波.大連理工大學(xué) 2013



本文編號(hào)：3173997